論文の概要: IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction
- arxiv url: http://arxiv.org/abs/2210.10965v1
- Date: Thu, 20 Oct 2022 02:24:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-21 16:10:00.113603
- Title: IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction
- Title（参考訳）: idm-follower:長期車追従軌跡予測のためのモデルインフォーム深層学習法
- Authors: Yilin Wang and Yiheng Feng
- Abstract要約: ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
- 参考スコア（独自算出の注目度）: 24.94160059351764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model-based and learning-based methods are two major types of methodologies
to model car following behaviors. Model-based methods describe the
car-following behaviors with explicit mathematical equations, while
learning-based methods focus on getting a mapping between inputs and outputs.
Both types of methods have advantages and weaknesses. Meanwhile, most
car-following models are generative and only consider the inputs of the speed,
position, and acceleration of the last time step. To address these issues, this
study proposes a novel framework called IDM-Follower that can generate a
sequence of following vehicle trajectory by a recurrent autoencoder informed by
a physical car-following model, the Intelligent Driving Model (IDM).We
implement a novel structure with two independent encoders and a self-attention
decoder that could sequentially predict the following trajectories. A loss
function considering the discrepancies between predictions and labeled data
integrated with discrepancies from model-based predictions is implemented to
update the neural network parameters. Numerical experiments with multiple
settings on simulation and NGSIM datasets show that the IDM-Follower can
improve the prediction performance compared to the model-based or
learning-based methods alone. Analysis on different noise levels also shows
good robustness of the model.
- Abstract（参考訳）: モデルに基づく手法と学習に基づく手法は、車従動作をモデル化する2つの主要な手法である。
モデルベース手法は明示的な数学的方程式による車追従行動を記述するが、学習ベース手法は入力と出力の間のマッピングの獲得に焦点を当てている。
どちらの方法にも利点と弱点がある。
一方、ほとんどのカーフォローモデルは生成的であり、前回のステップの速度、位置、加速度の入力のみを考慮する。
そこで本研究では,実車追従モデル(intelligent driving model:idm)によって通知される再帰オートエンコーダによって,追従車両の軌跡列を生成できるidm-followerと呼ばれる新しい枠組みを提案する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己注意デコーダを備えた新しい構造を実装した。
モデルに基づく予測と一致したラベル付きデータとの差分を考慮した損失関数を実装し、ニューラルネットワークパラメータを更新する。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerはモデルベースや学習ベースの手法だけで予測性能を向上できることが示された。
異なるノイズレベルの解析も、モデルの優れた堅牢性を示している。
関連論文リスト
- Supervised Score-Based Modeling by Gradient Boosting [49.556736252628745]
本稿では,スコアマッチングを組み合わせた勾配向上アルゴリズムとして,SSM(Supervised Score-based Model)を提案する。
推測時間と予測精度のバランスをとるため,SSMの学習とサンプリングに関する理論的解析を行った。
我々のモデルは、精度と推測時間の両方で既存のモデルより優れています。
論文 参考訳（メタデータ） (2024-11-02T07:06:53Z) - MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。
まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。
さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
論文 参考訳（メタデータ） (2024-06-23T15:30:40Z) - Evaluation of Differentially Constrained Motion Models for Graph-Based
Trajectory Prediction [1.1947990549568765]
本研究では,予測課題に対する数値解法と組み合わせた各種動作モデルの性能について検討する。
この研究は、低階積分子モデルのようなより単純なモデルは、正確な予測を達成するために、より複雑な、例えばキネマティックモデルよりも好まれることを示している。
論文 参考訳（メタデータ） (2023-04-11T10:15:20Z) - An active inference model of car following: Advantages and applications [6.905724739762358]
ドライバープロセスモデルは、自動および自律走行車技術のテスト、検証、開発において中心的な役割を果たす。
データ駆動機械学習モデルは、ルールベースのモデルよりも能力が高いが、大規模なトレーニングデータセットの必要性と、解釈可能性の欠如によって制限されている。
本稿では,解釈可能性を維持しつつ,データ駆動モデルに匹敵する振る舞いの柔軟性を有するアクティブ推論を用いたモデリング手法を提案する。
論文 参考訳（メタデータ） (2023-03-27T13:39:26Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Vehicle Behavior Prediction and Generalization Using Imbalanced Learning
Techniques [1.3381749415517017]
本稿では,LSTMオートエンコーダとSVM分類器からなる対話認識予測モデルを提案する。
評価の結果,モデル性能が向上し,分類精度が向上した。
論文 参考訳（メタデータ） (2021-09-22T11:21:20Z) - Momentum Pseudo-Labeling for Semi-Supervised Speech Recognition [55.362258027878966]
本稿では,半教師付き音声認識のための簡易かつ効果的な手法として,モーメント擬似ラベル(MPL)を提案する。
MPLは、平均的な教師メソッドにインスパイアされて、相互に相互作用し、学習するオンラインとオフラインの2つのモデルで構成されている。
実験の結果,MPLはベースモデルよりも効果的に改善され,様々な半教師付きシナリオに拡張可能であることが示された。
論文 参考訳（メタデータ） (2021-06-16T16:24:55Z) - A Driving Behavior Recognition Model with Bi-LSTM and Multi-Scale CNN [59.57221522897815]
運転行動認識のための軌道情報に基づくニューラルネットワークモデルを提案する。
提案手法を公開BLVDデータセット上で評価し,満足な性能を実現する。
論文 参考訳（メタデータ） (2021-03-01T06:47:29Z) - Pedestrian Trajectory Prediction with Convolutional Neural Networks [0.3787359747190393]
本稿では,新しい2次元畳み込みモデルを導入し,歩行者軌道予測への新たなアプローチを提案する。
この新モデルはリカレントモデルより優れており、ETHとTrajNetデータセットの最先端の結果が得られる。
また,歩行者の位置と強力なデータ拡張手法を効果的に表現するシステムを提案する。
論文 参考訳（メタデータ） (2020-10-12T15:51:01Z) - Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized
Gaussian Process Approach [1.6242924916178285]
本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。
提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
論文 参考訳（メタデータ） (2020-07-17T06:03:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。